De NPRZ-case: deel II
Hanteer je ‘het aantal jongeren dat aan het werk is geholpen’ als enige KPI (Plan-fase van de PDCA-cyclus) en richt je hier al je acties op (Do-fase), dan ontstaat er een probleem. Dan werk je de situatie in de hand dat je óók mensen met verslavingsproblematiek of mensen zonder vast verblijfadres eveneens aan een baan probeert te helpen. Maar mensen met een verslaving, mensen met een complexe thuissituatie of mensen zonder een dak boven hun hoofd, zullen uitvallen. Zij kunnen vaak niet duurzaam aan het werk blijven. Je weet gewoonweg van deze groep dat ze binnen de kortste keren weer in de WW of bijstand zitten.
De datacratische benadering schept duidelijkheid
In figuur 1 hieronder is te zien hoe de cyclus verloopt. Ook zie je hoe jongeren weer terugvallen in een uitkeringssituatie: de rode pijl. Hoe dikker de rode pijl is die de uitval laat zien, des te kleiner is de populatie voor wie je netto werkelijk iets betekent. Dankzij data, de presentatie van de “echte”, integrale cijfers en de datacratische benadering, zijn betrokkenen in staat om te begrijpen hoe alle verschillende bewegingen naar werk of school én alle terugvalmechanismen daadwerkelijk in elkaar steken.
Figuur 1: Vereenvoudigde representatie van beweging naar werk (groen) en terugval (rood)
Kijk je ter controle naar de metingen, dan blijkt precies welke mensen vanuit welke categorieën zijn teruggevallen (Check-fase). Als je dit ziet, dan heb je bijna de morele plicht om je plannen voor deze doelgroepen aan te passen (Act). Zo kom je tot root cause analysis en leer je de onderliggende problematiek en oorzaak kennen.
Kortom: wil je mensen duurzaam aan werk helpen, dan betekent dat in feite dat je de onderliggende problematiek van de betrokken burgers daadwerkelijk moet gaan oplossen. Met andere woorden: je voert een Root Cause Analysis uit.
De vier stappen van Root Cause Analysis
Om een Root Cause Analysis uit te voeren doorloop je 4 stappen:
- Je identificeert het probleem wat je ziet (dit is dus niet de achterliggende oorzaak) en beschrijft het zo goed mogelijk
- Bepaal de tijdlijn: start vanaf de normale situatie en stop op het moment waarop het probleem zich manifesteerde.
- Maak een zo scherp mogelijk onderscheid tussen de hoofdoorzaak en andere mogelijke oorzakelijke factoren.
- Stel door analyse een causaal verband op tussen de hoofdoorzaak en het probleem.
In stap 3 ga je een boomdiagram opstellen waar je het waargenomen probleem uiteenrafelt in symptomen van het probleem, de mogelijke ‘root cause’ en de uiteindelijke vastgestelde achterliggende oorzaak.
Mooie plannen en onrealistische targets zorgen voor demotivatie
Mark de Kort, Passionned Group consultant bij NPRZ: ‘Je kunt wel vooraf mooie plannen maken, door bijvoorbeeld met elkaar af te spreken dat je 3.000 mensen naar werk gaat helpen. Maar wat nu als blijkt dat 2.000 mensen dat helemaal niet kunnen? Dat je op voorhand al weet dat zij weer linea recta terug zullen komen in de bijstand. Dat kost de maatschappij niet alleen veel geld, maar bovendien raken mensen hierdoor gedemotiveerd.’
‘Ze dachten: ‘Hé, ik ga beter, ik ga werk krijgen.’ Maar dat is helemaal niet waar. Dat is echt een terugval. De consulenten die deze mensen begeleiden balen ondertussen ook behoorlijk, want zij hebben de ondankbare taak om mensen weer gemotiveerd te krijgen. Dat zijn de verhalen die je terugkrijgt als je gaat luisteren wat er werkelijk speelt.’
Kies voor maatwerk bij Root Cause Analysis
Streef in plaats van één onhaalbaar doel naar heel veel kleinere haalbare doelen (SMART doelen). Als je zonder Root Cause Analysis gaat sturen op eenzijdige doelstellingen, dan doe je geen recht aan de complexe werkelijkheid. Het is veel beter om na te gaan uit welke relevante subgroepen de gehele populatie bestaat. Vervolgens kun je naar behoefte per subgroep interveniëren. Datacratisch werken maakt deze differentiatie mogelijk. Het zorgt ervoor dat je kunt aantonen wat werkt in een specifieke situatie en wat niet.
Cijfervoorbeeld: 1.000 mensen half of helemaal niet helpen
Een willekeurig voorbeeld: de cijfers zijn slechts illustratief bedoeld. In plaats van 1.000 mensen allemaal half of helemaal niet te helpen, kun je beter 200 mensen op manier X, 50 mensen op manier Y en 100 mensen op manier Z écht helpen. Datacratisch werken helpt om veel gerichter inhoudelijke beloftes na te komen. Bijvoorbeeld: in plaats van de loze belofte uit te spreken dat je 1.000 mensen duurzaam naar werk gaat begeleiden, ga je eerst datagedreven te werk. Ga eerst na wat de data vertelt. Vervolgens zie je wat je werkelijk waar kunt maken, doordat je nu van meet af aan rekening houdt met alle oorzaken, bewegingen en terugvalmechanismen die voor verschillende subdoelgroepen spelen. Er bestaat dus niet meer zoiets als “de doelgroep”. In plaats daarvan ga je heel doelgericht zoeken naar relevante subdoelgroepen.
Bestel het PDCA-handboek 'Datacratisch werken'
Eenmalig een Root Cause Analysis (RCA) uitvoeren is niet zo heel moeilijk. Maar als je wilt dat iedereen in de organisatie het gedachtegoed van RCA toe gaat passen dan heb je een raamwerk nodig. In dit complete PDCA-boek komt het hele spectrum van datacratisch werken en oorzaakanalyses aan bod. Datacratisch werken is een veelbelovende, nieuwe manier van werken waar data de dienst uitmaakt. De auteur gaat uitgebreid in op continu verbeteren, KPI's, PDCA, data analyse en leerprocessen in organisaties.
Prik de balonnen door met een Root Cause Analysis
Dankzij data analytics (tools) weet je dat je burgers werkelijk kunt helpen. Je ziet: bij groep A werkt aanpak X. Maar je ziet ook dat je een andere groep veel beter bedient door hen eerst van hun verslaving af te helpen. In plaats van een grote, loze belofte te doen, voer je de juiste analyses uit en weet je binnen de kortste keren ballonnen door te prikken. Voortaan weet je exact wat je wel kunt beloven. Daarmee voorkom je dat je mensen als het ware gaat “rondpompen” in het bestaande systeem. Je brengt ze naar werk, maar je voorziet de terugval al. Het rondpompen langs diverse hulpverlenerskanalen is passé.
Massief beleid werkt niet: zoek de root causes op
De kunst is om niet te denken vanuit één massief beleid, maar veel meer lichtvoetig toe te werken naar een netwerk van diverse en uiteenlopende beleidslijnen om individueel relevant te kunnen worden. Datagedreven werken en de bijbehorende software maken deze paradigmaverschuiving mogelijk, doordat de technologie politici in staat stelt steeds veel fijnmaziger beleid te gaan maken. Hierdoor krijg je ook steeds kleinere PDCA’s, maar wel PDCA’s waarvan je weet dat ze werken én dat ze structureel bijdragen aan het totaaleffect.
Zoek per doelgroep naar een kleine PDCA die daarvoor werkt. Zorg dat je plannen maakt die zijn afgestemd op de potentie van iedere subgroep. Niet iedere benaderwijze werkt overal hetzelfde. Welk soort werk kan elke specifieke subgroep duurzaam aan en waarom is dat zo? Wat zijn de root causes van de problemen die ontstaan? Met andere woorden: wat is er echt nodig om te voorkomen dat hele subgroepen weer linea recta terugvallen nadat zij even aan het werk zijn geweest?
Stel targets die je ook echt blijvend kunt halen
Mark de Kort: ‘Targets kunnen niet alleen van bovenaf worden opgelegd. Targets moet je mede afleiden uit de data. Wij maken dit inzichtelijk en bespreekbaar. Steeds vaker gaan klantenconsulenten nu met de coördinatoren in gesprek: “Leuk dat wij die target top-down hebben doorgekregen als duidelijke doorvertaling van de politieke ambities, maar in de praktijk is deze doelstelling onhaalbaar. Want de betrokkenen hebben nog schulden, die mensen zitten in een WMO-arrangement met begeleiding, dus die kunnen eigenlijk helemaal niet duurzaam aan het werk”, zo krijg je dan terug.
Formuleer veel haalbare, kleinere doelstellingen
We gaan dus eerst grondig na of er nog andere grote en minder grotere problematiek speelt, nu op basis van data, waardoor burgers nog niet in staat zijn om te werken. Dat negeer je niet, maar dat ga je eerst oplossen. Inderdaad, dat kan haaks staan op een target die je van bovenaf krijgt opgelegd, zeker als de data al voorspelt dat de actie zinloos is.’ Daar waar het oorspronkelijke plan in een wijk erop gericht is om jongeren aan het werk te helpen, daar kom je er in de Actualize-fase achter dat je in de uitvoering voor verschillende groepen verschillende interventies moet doen. Dan krijg je pas maatwerk en zet je waar nodig intensieve persoonlijke begeleiding in. Even los van de filosofie dat eenieder tegenwoordig zelfredzaam zou moeten zijn. Je formuleert niet een onhaalbaar doel, maar veel verschillende haalbare kleinere doelstellingen die ook echt werken.
Kortom: je kiest voor een precisiebombardement in plaats van een schot hagel.
De balans na twee jaar datacratisch werken met RCA
Er is in Rotterdam een begin gemaakt met continu verbeteren door datacratisch te gaan werken. Zo zien we de CITO-scores stijgen en lopen de leerlingen van Zuid in op de leerlingen elders in Rotterdam en de vier grote gemeenten. Bovendien kiezen meer leerlingen voor een opleiding met een perspectief op een baan in de zorg en techniek. Het percentage uitkeringsgerechtigden is weliswaar nog onvoldoende gedaald, maar Zuid loopt wel in op de G4. In feite realiseert de wijk zelfs de sterkste daling van iedereen. Verder stijgen de WOZ-waarden op Zuid en is een start gemaakt met het aanpakken van de verpauperde particuliere woningvoorraad. Ook laten woningzoekenden van de noordoever, maar ook van buiten Rotterdam, steeds vaker hun oog vallen op een woning op Zuid.
Tot slot
De hierboven beschreven ontwikkelingen stemmen zeer hoopvol en vormen voor bewoners en de partners in het NPRZ het ultieme bewijs dat hun inspanningen effect hebben. Dit is niet in de laatste plaats te danken aan de datacratische aanpak. Deze aanpak kan hierbij een steeds belangrijkere rol gaan vervullen.
Mark de Kort studeerde Bedrijfseconomie aan de Erasmus Universiteit Rotterdam en was oprichter van Bizzscore. Als business consultant vervulde hij diverse BI-posities. Binnen Passionned Group hielp Mark tientallen klanten met het implementeren van datagedreven en informatiegestuurd werken. Mark is ook docent van de cursus Power BI.
